界面新聞記者 | 伍洋宇
界面新聞編輯 | 文姝琪
不同于兩年前的百模大戰(zhàn)時期誰都可以喊一句“沖擊AGI”，如今創(chuàng)業(yè)公司再堅稱自己以此為目標已經(jīng)不是一種主流行為——但這仍是階躍星辰要在2025年延續(xù)的敘事。
5月8日，階躍星辰創(chuàng)始人兼CEO姜大昕進行了一場技術(shù)溝通會，強調(diào)公司的技術(shù)追求并對未來技術(shù)趨勢作出判斷。對于公司從Day 1起便明確的“單模態(tài)—多模態(tài)—多模理解和生成的統(tǒng)一—世界模型—AGI（通用人工智能）”路線圖，他也予以明確了當下時刻的定位。
幾乎以低調(diào)貫穿整個成立初期的階躍星辰，從去年下半年起主動對外釋放更多聲量，開始打一場水面之上的仗。
這些聲量大都圍繞模型進展。成立兩年，公司累計發(fā)布22款基座模型，覆蓋文字、語音、圖像、視頻、音樂、推理等系列。其中有16款是多模態(tài)模型，又分屬圖像理解、視頻理解、圖像生成、視頻生成、圖像編輯、音樂生成、多模態(tài)推理等方向。
區(qū)別于行業(yè)更常見的圖像模型、音頻模型、視頻模型等不加區(qū)分的定義和命名方式，階躍星辰格外強調(diào)多模態(tài)模型“理解”與“生成”的單一屬性。這與這家公司選擇的AGI路線以及即將要突破的關(guān)鍵節(jié)點息息相關(guān)。
“從模仿學(xué)習(xí)走向強化學(xué)習(xí)，以及從多模態(tài)融合走向多模態(tài)理解與生成一體化，是當下大模型發(fā)展主要呈現(xiàn)的兩個趨勢?！苯箨块_場點明了這一主題。
第一條趨勢行業(yè)并不陌生，這是OpenAI去年9月通過o1-preview掀起的模型訓(xùn)練范式革命，并且主導(dǎo)了接下來數(shù)月幾乎所有大模型公司的迭代方向。隨著推理模型與后訓(xùn)練成為業(yè)界共識，文本模型的技術(shù)路線相對收斂，這里的格局變換已不如從前那樣日新月異。
另一條趨勢屬于多模態(tài)模型，這是一個最優(yōu)技術(shù)路徑尚不明朗的領(lǐng)域，階躍星辰在此押下重注。
“有一句話我在很多場合不停重復(fù)——我們認為多模態(tài)是實現(xiàn)AGI的必經(jīng)之路。”姜大昕指出，無論是從人類智能的多元化角度（符號智能、視覺智能、空間智能等），還是從垂直領(lǐng)域AI應(yīng)用需求來說，大模型的多模態(tài)能力都必不可少。
這家公司進一步判斷，在多模態(tài)模型領(lǐng)域，理解與生成統(tǒng)一是其核心問題。
文本大模型的理解與生成已經(jīng)由GPT類模型實現(xiàn)統(tǒng)一，但在視覺領(lǐng)域，內(nèi)容的理解與生成仍普遍采用不同模型，例如用GPT-4o來理解圖片，但用Flux、Stable Diffusion等來生成圖片。
為什么一定要做多模理解與生成的統(tǒng)一？姜大昕解釋稱，一方面生成的內(nèi)容需要理解來控制，確保內(nèi)容具備意義和價值；另一方面，內(nèi)容的理解需要生成來監(jiān)督，也即“只有能夠生成的時候才意味著真正的理解了”。
從統(tǒng)計學(xué)角度看來，相比文本模態(tài)的低維度離散分布，視覺模態(tài)的高維度連續(xù)分布造就了模型學(xué)習(xí)更高的復(fù)雜性。
這使得文本模型的NTP（Next-Token-Prediction）還無法順暢平移為視覺模型的NFP（Next-Frame-Prediction），也意味著屬于視覺模型的可規(guī)模化理解生成一體化架構(gòu)尚未出現(xiàn)——這正是Transfomer架構(gòu)之于GPT等文本模型的重大意義。
姜大昕坦言，視覺領(lǐng)域的確處在一個等待“Transformer架構(gòu)”出現(xiàn)的階段，而行業(yè)也在探索多個不同方向，公司當前的目標是要自己把“Transformer”做出來。
在他看來，擁有了這一架構(gòu)的視覺模型，可以效仿文本模型的路徑，順利邁入海量圖片和視頻預(yù)訓(xùn)練及指令跟隨的GPT-3階段，并可能加速進入融合了強化學(xué)習(xí)的視覺時空推理階段，直至誕生世界模型。
這也是為什么他會說，“一旦視覺模型理解與生成一體化的問題被解決，之后的路線會非常順暢”。
.png "對話階躍星辰姜大昕：Sora技術(shù)有局限，多模態(tài)理解生成一體化才是未來|界面新聞 · 科技")
作為該技術(shù)目標的最新進展，階躍星辰近期發(fā)布了圖像編輯模型Step1X-Edit，多模態(tài)推理模型Step-R1-V-Mini，以及圖生視頻模型Step-Video-TI2V。姜大昕指出，Step1X-Edit實現(xiàn)了初步的理解與生成統(tǒng)一，但還可以在架構(gòu)和數(shù)據(jù)上做進一步優(yōu)化和打磨。
技術(shù)路線之外，階躍星辰梳理出了一條更明確的商業(yè)化路徑。
除了此前已有的ToC（用戶）產(chǎn)品嘗試和ToB（企業(yè)）合作模式，階躍星辰將在應(yīng)用層重點發(fā)力的方向是AI Agent。不過相較于自己做一款Manus類的產(chǎn)品，公司選擇聚焦智能終端Agent領(lǐng)域，也就是與手機、汽車、機器人等終端廠商合作，以端云結(jié)合平臺的角色構(gòu)建智能終端的Agent生態(tài)。
作為一家已融資數(shù)億美元的B輪創(chuàng)業(yè)公司，這場溝通會沒有大談用戶規(guī)模、商業(yè)模式、盈利能力，更多話題還是圍繞如果要實現(xiàn)AGI，公司要如何翻越既定路線上的某一座山頭。這種氛圍在當前行業(yè)熱議AI應(yīng)用公司如何火熱、掙錢的喧囂襯托下，頗有一種反差。
此外，姜大昕還接受了界面新聞等媒體采訪，更細致回答了有關(guān)多模理解與生成統(tǒng)一技術(shù)路徑的相關(guān)問題，以及對模型訓(xùn)練與商業(yè)化的基本判斷。
以下為姜大昕采訪實錄，略作編輯：
媒體：躍問最近改名階躍AI了，原因是什么？公司過去一年發(fā)布過一些C端產(chǎn)品，目前對這個方向有什么經(jīng)驗總結(jié)？
姜大昕：去年大模型還沒有出現(xiàn)這么強大的多模態(tài)和推理模型，我們看到的產(chǎn)品就幾類，Chatbot，AI陪伴，還有Runway、Pika這樣一些AIGC應(yīng)用。那時候大家其實沒有特別明確的方向，只是因為有這樣的模型能力，所以產(chǎn)生了這樣的應(yīng)用。這是產(chǎn)品探索的早期階段。
今年因為多模態(tài)能力和推理能力的進一步成熟產(chǎn)生了Agent，我們看到非常多像Deep Research或者Manus這樣的新應(yīng)用。
我們的變化是想聚焦到Agent領(lǐng)域。而之所以改名階躍AI，是因為它要從Chatbot類產(chǎn)品向加入更多Agent能力的產(chǎn)品做轉(zhuǎn)變。
媒體：階躍的策略是超級模型+超級應(yīng)用，這也是包括字節(jié)在內(nèi)很多大廠在做的事情，這種情況下，很多初創(chuàng)公司已經(jīng)放棄通用大模型了，階躍為什么還會堅持？
姜大昕：這里面分幾個層次去講，第一，現(xiàn)在這個行業(yè)趨勢還處于一個技術(shù)非常陡峭的區(qū)間。
我會很感慨，AI行業(yè)里面的發(fā)展變化確實是太快了。如果大家回到去年想一想，就覺得GPT-4是多么牛的東西，今天它都要快下架了；去年Sora剛出來的時候給大家多大的震撼，今天回過頭看，都覺得Sora有什么神奇的。而今年無論做出什么很牛的技術(shù)，可能明年回頭看會覺得微不足道。
在技術(shù)發(fā)展如此快的行業(yè)背景下，階躍肯定不愿意在這個過程中脫離主流，或者說放棄這樣的前進趨勢，還是會堅持做基礎(chǔ)模型的研發(fā)。
第二，從應(yīng)用的角度來看，我們一直覺得應(yīng)用和模型是相輔相成，模型可以決定應(yīng)用的上限，應(yīng)用給模型提供具體的場景和數(shù)據(jù)也非常重要。所以我們的產(chǎn)品形態(tài)隨著模型的演變動態(tài)發(fā)展，這樣的邏輯關(guān)系會一直保持下去。
媒體：在Agent這件事情上，為什么會選擇一個類似供應(yīng)商的身份，而不是自己下場做一款直接ToC或者ToB的Agent產(chǎn)品？
姜大昕：這個東西很新，我們更好的選擇就是找到頭部企業(yè)合作。它們已經(jīng)有了大量的用戶和場景，我們才能嘗試這個模型究竟怎么做。
如果我們上就來做ToC，第一件事情就得是user grow（用戶增長）。所以我們先和這些企業(yè)一起合作，如果這件事情探索清楚了，至于說將來我們是不是自己做，我覺得都是有可能的。
這里還有一個很誘人的場景，就是現(xiàn)在所有的設(shè)備都是孤立的，對于一個用戶來說，他當然希望AI Agent能夠跨設(shè)備。那么這件事情應(yīng)該誰來做，肯定有很多人在思考。
媒體：公司最近在算法層面更加重視理解生成一體化整合，這個想法是基于什么樣的邏輯判斷？
姜大昕：我們覺得以Sora為代表的這一代視頻生成技術(shù)，它的上限就在那里了，很難去突破。下一代突破我們認為應(yīng)該是基于理解生成一體化的。
媒體：多模態(tài)理解與生成一體化架構(gòu)很重要，那影響它出現(xiàn)最關(guān)鍵的因素是算法，更高質(zhì)量的數(shù)據(jù)，還是什么？
姜大昕：兩個都很重要，首先就是架構(gòu)的突破，因為確實不容易。
多模態(tài)的高維連續(xù)空間，我們很難用一個自回歸架構(gòu)去模擬，所以大家不得不采用Diffusion。直白的說，Diffusion就是一步弄不成，就多走幾步，因為它太復(fù)雜了。
但自回歸架構(gòu)不讓你走多步，那么這兩個東西怎么能連在一起，需要一個架構(gòu)性的東西，這是算法層面需要解決的問題。甚至有可能把自回歸和Diffusion結(jié)合在一起這個方向也是錯的，這里面有非常多的不確定性。
有了技術(shù)以后，第二步就是數(shù)據(jù)。所有的人工智能里面數(shù)據(jù)都非常重要，有了架構(gòu)但沒有合適的數(shù)據(jù)訓(xùn)練它，就如同一輛車沒有石油，你還是不能跑。
媒體：你剛剛好像有提到，OpenAI最新的GPT-4o已經(jīng)實現(xiàn)了理解與生成一體化？
姜大昕：我們只是猜測，因為它從不公布技術(shù)細節(jié)。它的做法應(yīng)該是把理解和生成放在了一個模型里面，但這個東西是不是scalable（可規(guī)?；?，我們不知道。
媒體：怎么判斷它是不是scalable？
姜大昕：它肯定要做到predict next frame，或者說如果OpenAI有一天推出了一個不叫Sora的視頻模型，很可能就是做通了。
事實上去年Sora出來的時候大家都很興奮，但我們是非常失望的，因為我們覺得它的主線應(yīng)該是做理解生成一體化。
回過去想也是有道理的。從多模融合一步走到理解生成一體化太難了，所以干脆兩個獨立往前走，互相促進，有點像左腳踩右腳。因為它在Sora里面也說了，它拿著GPT-4o給數(shù)據(jù)打標注。
有了生成以后是不是能夠幫助理解，可能就是需要迭代幾輪以后再到理解生成一體化，但總的方向肯定是能夠predict next frame。這個問題不解決，后面有很多問題都到不了那個程度。
媒體：多模態(tài)理解與生成一體化這個技術(shù)方向目前還沒有收斂，對標語言模型的話，它大概處在哪個發(fā)展階段？
姜大昕：應(yīng)該是在Transformer的階段，Transformer是2017年出來的，GPT-1是2018年，這個架構(gòu)應(yīng)該早于“GPT”。
媒體：階躍目前研發(fā)的模型很多，如果下一步理解生成一體化尤為重要的話，為什么我們不把所有的力量都集中去做它？
姜大昕：我們也想這樣做，但不行，因為理解與生成一體化是非常要求綜合素質(zhì)的一個考驗。首先你要理解，如果語言模型不強就談不上理解。其次你要做推理，視覺推理是視覺理解的升級。再者還有生成端，這也必須得做。
所以不是我們不夠focus（專注），要做這件事，就必須要做到所有條線能力都非常強，組合起來去探索它的路徑。
媒體：解決理解與生成一體化這個問題之后，你認為視覺模型應(yīng)該達到一個什么樣的狀態(tài)？
姜大昕：你給它一個電影的開頭，它能夠一直往下編，并且大家認為還挺有道理的，連續(xù)、符合邏輯、符合物理規(guī)律。如果它能持續(xù)這樣做下去，這至少可以說明它的預(yù)訓(xùn)練做成了。